
############ 4.2 Cervejas

##Represente este resultado como um grfico de barras e um dotplot (funo dotchart).

cervejas <-c("chope","lata","garrafa","chope","garrafa", "garrafa","lata","lata","nenhuma","lata","garrafa","garrafa", "garrafa","lata","lata","lata","garrafa","lata","chope","nenhuma", "garrafa","garrafa","garrafa","chope","garrafa","garrafa","chope","garrafa","lata","lata")
table.c <- table(cervejas)
par (mfrow = c (1,2))
barplot(table.c)
dotchart(table.c)
par (mfrow = c (1,1))

##Qual tem maior razo dado/tinta?
# O grfico que possuem maior razo  o grfico de barras.


############ 4.3 Caixetais

setwd ("C:/Users/Renan Parmigiani/Documents/MESTRADO/Disciplina R/exercicio_3")

## Construa um histograma do dap dos fustes dos caixetais.

caixeta<-read.csv("caixeta.csv", header = TRUE, sep = ",", as.is = TRUE)
summary(caixeta)
pi
caixeta$cap
dap <- caixeta$cap/pi
dap  
hist (dap)

## Construa histogramas da altura das rvores para os diferentes caixetais ('local').

chauas <- caixeta[caixeta$local=="chauas",]
chauas1 <- aggregate(chauas$h, by = list (arvore = chauas$arvore), mean)
histo.chauas <- hist(chauas1$x,main = "Histograma Chauas", ylab = "Frequncia", xlab = "Altura das rvores")

jureia <- caixeta[caixeta$local=="jureia",]
jureia1 <- aggregate(jureia$h, by = list (arvore = jureia$arvore), mean)
histo.jureia <- hist(jureia1$x,main = "Histograma Jureia", ylab = "Frequncia", xlab = "Altura das rvores")

retiro <- caixeta[caixeta$local=="retiro",]
retiro1 <- aggregate(retiro$h, by = list (arvore = retiro$arvore), mean)
histo.retiro <- hist(retiro1$x,main = "Histograma Retiro", ylab = "Frequncia", xlab = "Altura das rvores")

par(mfrow=c(2,2))
hist(chauas1$x,main = "Histograma Chauas", ylab = "Frequncia", xlab = "Altura das rvores")
hist(jureia1$x,main = "Histograma Jureia", ylab = "Frequncia", xlab = "Altura das rvores")
hist(retiro1$x,main = "Histograma Retiro", ylab = "Frequncia", xlab = "Altura das rvores")
par(mfrow=c(1,1))


## H diferenas entre as estruturas (distribuio de tamanhos) dos caixetais?
# Sim, a anlise visual dos histogramas permite perceber que no Retiro o pico da frequncoia da altura  por volta de 50 metros, j na Jureia  o pico  por volta de 100 metros. No histograma do local Chauas h uma barra indicando que h um indivduo prximo de 500 m que possivelmente  um outlier.

############ 4.4 Eucaliptos

## Utilize o grfico boxplot para analisar o DAP de rvores de E. grandis em funo das variveis regio (regiao) e rotao (rotacao).

setwd("C:/Users/Renan Parmigiani/Documents/MESTRADO/Disciplina R/exercicio_104")
egrandis <- read.csv("egrandis.csv", header = TRUE, sep = ";", as.is = TRUE)

salto <- egrandis[egrandis$regiao == "Salto",]
bofete <- egrandis[egrandis$regiao == "Bofete",]
itatinga <- egrandis[egrandis$regiao == "Itatinga",]
botucatu <- egrandis[egrandis$regiao == "Botucatu",]

par (mfrow = c(2,2))
boxplot(salto$dap, main = "Salto", ylab = "DAP")
boxplot(bofete$dap, main = "Bofete", ylab = "DAP")
boxplot(itatinga$dap, main = "Itatinga", ylab = "DAP")
boxplot(botucatu$dap, main = "Botucatu", ylab = "DAP")
par (mfrow = c (1,1))

rot.1 <- egrandis[egrandis$rotacao == "1",]
rot.2 <- egrandis[egrandis$rotacao == "2",]

par(mfrow = c (1,2))
boxplot(rot.1$dap)
boxplot(rot.1$dap)
par(mfrow = c(1,1))


## Avalie a normalidade da altura do conjunto total de rvores com um grfico quantil-quantil contra a distribuio normal.
 qqnorm(egrandis$ht); qqline(egrandis$ht)
#  possvel perceber uma grande sobreposio dos dados com a distribuio normal, tendo desvios nos dados mais extremos, o que ocorre normalmente

############# 4.5 Mais Caixetais

##Analise a relao dap-altura ('dap' e 'h') em funo do caixetal (local) com a funo plot, mas somente para as rvores 2) de caixeta (Tabebuia cassinoides).

setwd ("C:/Users/Renan Parmigiani/Documents/MESTRADO/Disciplina R/exercicio_104")
caixeta<-read.csv("caixeta.csv", header = TRUE, sep = ",", as.is = TRUE)

# Adicionando uma nova linha area da seco tranversal

head(caixeta)
caixeta$area.tronco <- ((caixeta$cap)^2)/(4*pi)
head(caixeta)

# Filtro espcie
tabebuia <- caixeta [caixeta$especie == "Tabebuia cassinoides",]

# Separando por local
chauas<- tabebuia [tabebuia$local == "chauas",]
jureia<- tabebuia [tabebuia$local == "jureia",]
retiro<- tabebuia [tabebuia$local == "retiro",]

# Agregando os fustes por rvore, Altura
h.chauas <- aggregate(chauas$h, by = list(arvore = chauas$arvore), FUN = mean)
h.jureia <- aggregate(jureia$h, by = list(arvore = jureia$arvore), mean)
h.retiro <- aggregate(retiro$h, by = list(arvore = retiro$arvore), mean)

# Agregando os fustes por rvore, area da seco.
area.chauas <- aggregate (chauas$area.tronco, by = list (arvore = chauas$arvore), FUN = sum)
area.jureia <- aggregate (jureia$area.tronco, by = list (arvore = jureia$arvore), FUN = sum)
area.retiro <- aggregate (retiro$area.tronco, by = list (arvore = retiro$arvore), FUN = sum)

# Convertendo a area da seco dos troncos para DAP

dap.chauas <- (2*sqrt(area.chauas$x))/(sqrt(pi))
dap.jureia <- (2*sqrt(area.jureia$x))/(sqrt(pi))
dap.retiro <- (2*sqrt(area.retiro$x))/(sqrt(pi))

#Plotando relao nos grficos

par(mfrow = c(2,2))
plot (dap.chauas,h.chauas$x, main = "Chauas", xlab = "Altura", ylab = "DAP")
plot (dap.jureia, h.jureia$x, main = "Jureia", xlab = "Altura", ylab = "DAP")
plot (dap.retiro, h.retiro$x, main = "Retiro", xlab = "Altura", ylab = "DAP")
par(mfrow = c(1,1))


## Para a mesma relao do item anterior, verifique linearidade com a funo scatter.smooth

par(mfrow = c(2,2))
scatter.smooth(dap.chauas, h.chauas$x, main = "Chauas", xlab = "Altura", ylab = "DAP/h")
scatter.smooth(dap.jureia, h.jureia$x, main = "Jureia", xlab = "Altura", ylab = "DAP/h")
scatter.smooth(dap.retiro, h.retiro$x, main = "Retiro", xlab = "Altura", ylab = "DAP/h")
par(mfrow = c(1,1))
                  
